Gevinster:
- Gjenkjenner de vanligste ledetekstfeilene fra ekte eksempler
- Kan bruke en praktisk og repeterbar løsning for hver feil
- Innser at dårlig utgang ofte er forårsaket av en dårlig melding
I denne modulen lærte vi teknikkene for å skrive gode spørsmål én etter én. La oss nå forsterke disse fra en annen vinkel: ved å se på de vanligste feilene og løsningene deres. Det store flertallet av dårlig AI-utgang skyldes dårlige spørsmål, ikke modellmangel. Hvis du gjenkjenner feil i denne enheten, kan du raskt diagnostisere og fikse problemer i dine egne meldinger; I stedet for å si "AI kan ikke gjøre dette" kan du si "la meg fikse spørsmålet mitt slik".
Hvorfor er det viktig å gjenkjenne feil?
Når en utgang ikke oppfyller forventningene dine, kan du reagere på to måter: skylde på verktøyet eller stille spørsmål ved spørsmålet. Den erfarne brukeren gjør det siste. For det meste av tiden er kilden til problemet åpenbar og resultatet endres med en liten korreksjon. Nedenfor vil vi se de åtte vanligste feilene, deres symptomer og løsninger.
De åtte vanligste feilene
Feil
symptom
Løsning
tvetydighet
Generisk, "one size fits all"-svar
Gi målbare instruksjoner
Null kontekst
Utgang som ikke passer til situasjonen
Legg til hvem/hvorfor/historikk
Angir ikke format
Utdata i feil format
Tving format
fravær av begrensninger
Overdreven, avvikende innhold
Legg til en "ikke"-liste
overbelastning
Modell hopper over noen forespørsler
Del arbeidet, prioriter
ikke-bekreftelse
Bruker falsk informasjon
Sjekk fakta med kilde
One shot forventning
Ikke gi opp ved første utgang
Iterere
motstridende instruks
inkonsekvent utgang
Juster begrensninger
Trinn for trinn diagnosemetode
Når en ødelagt utgang kommer, følg denne rekkefølgen:
- Er oppdraget klart? Er verbet konkret, betyr det det eneste du vil ha?
- Er kontekst nok? Kjenner modellen til situasjonen?
- Har formatet blitt nevnt? Er formatet slik du vil ha det?
- Er det noen restriksjoner? Står det skrevet det som ikke er ønsket?
- Lastet jeg for mye? Spurte jeg om 5 forskjellige jobber i én forespørsel?
- Har jeg bekreftet? Er nummer, navn, dato sjekket?
Disse seks spørsmålene fanger nesten alle feil.
Fire kopierbare korrekturlesningsmaler
1) Fjerne tvetydighet:
Gjør denne instruksjonen målbar: [vag instruksjon]Oversett hvert vage punkt til et konkret tall, kvantitet eller kriterium.
2) Deling av overbelastningen:
Ikke gjør denne oppgaven på en gang. Fortsett i denne rekkefølgen og stopp når du er ferdig med hvert trinn, vent på min bekreftelse:1) [deloppgave 1]2) [deloppgave 2]3) [deloppgave 3]
3) Begrensende tilpasning:
Bare stol på informasjonen jeg ga nedenfor. Hvis det ikke er informasjon, skriv "ingen data"; ikke gjett eller legg til. Angi hvilken linje hver viktig påstand du bruker kommer fra. Kilde: [tekst]
4) Å løse motsigelsen:
Sjekk om det er noen motsetninger i instruksjonene jeg ga deg. Hvis ja, skriv opp de motstridende punktene og spør meg hvilken jeg skal prioritere; deretter produsere deretter.
Svak forespørsel / sterk forespørsel
Svak (mange feil kombinert):
Skriv en omfattende plan for vårt selskap om markedsføring, budsjett og rekruttering, så er du i gang.
Kraftig (feil fikset):
Rolle: Du er en forretningsutviklingsspesialist som gir råd til små og mellomstore bedrifter. Kontekst: Et programvareselskap med 12 personer; målet er 20 nye kunder dette kvartalet.Oppgave: Skriv KUN markedsføringsplan (inkluderer ikke budsjett og ansettelse).Format: 5-punkts handlingsliste; hvert element: handling + ansvarlig + kriterier. Begrensning: Betalt annonseringsbudsjett 0; Anbefaler kun organiske kanaler. Ikke gi falske beregninger; Begrunn forslaget.
Den kraftige versjonen deler overbelastningen (stopper tre emner inn i én ledetekst), erstatter tvetydighet ("lykke til") med kriterier, og legger til formatering og begrensninger.
Tre minivesker
Tilfelle 1 - Overbelastning. En leder ba om et rapportsammendrag, presentasjonsplan og e-post i en enkelt melding; Modellen laget alle tre i to. Ved å dele opp jobben i tre separate meldinger, ble hver utgang komplett og brukbar. Total tid var mindre enn å slite med en enkelt kompleks forespørsel.
Sak 2 – Ikke-bekreftelse. Et innholdsteam publiserte en "industristatistikk" gitt av modellen uten å verifisere den; Tallet viste seg å være feil og de måtte utstede en retting. Etterpå tok de i bruk regelen om "gi hvert tall med kilden, jeg skal sjekke kilden" og eliminerte denne risikoen.
Case 3 — Motstridende instruks. Når en markedsfører sa "det er veldig kort, men fortell alle funksjonene", hoppet modellen over noen funksjoner. Da jeg gjorde instruksjonen ikke-motsigende som "beskriv de 3 viktigste egenskapene med 60 ord", var utgangen både kort og fullstendig.
Tips: Kjør forespørselen gjennom de "seks diagnostiske spørsmålene" før du går live. Denne 30-sekunders sjekken gjør de fleste iterasjonsrunder unødvendige fra starten av.
Forsiktig: Den farligste feilen er "ikke-validering" fordi den blir oversett fordi utgangen ser jevn og overbevisende ut. Modellen kan matche et nummer, navn eller kilde med stor selvtillit. Uavhengig verifisere ethvert faktum som skal publiseres eller brukes som grunnlag for beslutning. Vi vil utdype dette temaet i neste enhet.
Usynlig feil: "Nesten riktig" utgang
Noen feil er enkle å fange: utdataene kommer i feil format, går utenfor emnet eller kommer opp blankt. Men den mest lumske feilen er at utgangen er nesten riktig. Teksten er flytende, strukturen er jevn, tonen er på punkt; Det er bare ett feil tall, en oversett begrensning eller en liten logisk feil. Denne typen utganger er farlige fordi de slipper inspeksjon fordi de "ser bra ut".
To vaner beskytter mot dette. Først, ikke bruk utdata uten å lese det: uansett hvor travelt du er, les den gjennom før du sender den. For det andre, å la modellen sjekke resultatet: "sjekk om du fulgte alle begrensningene jeg ga deg" eller "liste opp alle tallene i denne teksten" vil bringe skjulte feil til overflaten. Disse to trinnene tar noen sekunder, men kostnadene for feil beslutninger forårsaket av "nesten riktig" utdata er mye høyere.
Unngå feil: design over kontroll
I stedet for å lete etter feil i utdataene, prøver den erfarne brukeren å forhindre dem fra begynnelsen ved ledeteksten. Dette er en mentalitetsforskjell. Gjør hver gjentakende feil til en "permanent regel": Hvis modellen fortsetter å legge til kommentarer i en oppsummeringsjobb, setter du nå "ikke legg til kommentarer"-begrensningen for hver oppsummeringsforespørsel. Hvis modellen alltid produserer for mange elementer i en listejobb, plasserer du "nøyaktig X elementer"-begrensningen i malen din. På denne måten, i stedet for å fange opp den samme feilen igjen og igjen, forhindrer du at den oppstår i utgangspunktet. En godt utformet ledetekst erstatter dusinvis av påfølgende rettelser; Dette gjør feildiagnose fra en byrde til et lærings- og forbedringsverktøy.
Vanlige feil
- Skylder på mellommannen. Å si "AI kan ikke gjøre det" i stedet for å se etter problemet i ledeteksten.
- Legger for mye arbeid i en enkelt forespørsel. Komprimerer fem separate oppgaver til én instruksjon og gjør dem halvferdige.
- Hopp over verifisering. Forutsatt at den flytende utgangen er riktig.
- Gir motstridende begrensning. Selvmotstridende krav, for eksempel "kort, men omfattende."
- Prøver igjen uten å diagnostisere. Gjenta den samme feilen uten å finne ut hva som er ødelagt.
Oppsummert
- De fleste dårlige resultater er et problem med ledeteksten, ikke modellen; kan diagnostiseres og korrigeres.
- De vanligste feilene: tvetydighet, null kontekst, mangel på format, mangel på begrensninger, overbelastning, mangel på verifisering, one-shot forventning og selvmotsigelse.
- Seks diagnostiske spørsmål (oppgave, kontekst, format, begrensning, last, verifisering) fanger opp de fleste feilene.
- Å dele opp komplekse jobber gir raskere resultater med høyere kvalitet enn å laste dem på en enkelt forespørsel.
- Den mest lumske feilen er ikke-verifisering; Jevn utgang betyr ikke nøyaktig.
Søknadsoppgave
Finn en gammel utskrift du ikke liker, og kjør ledeteksten gjennom de "seks diagnostiske spørsmålene". Merk hvilke feil som oppstår, bruk rettelsen i denne enheten for hver, og kjør ledeteksten på nytt. Legg merke til hvilken enkelt korreksjon som ga den største forbedringen, ikke hvor mange runder.
sjekkliste
- [ ] I tilfelle dårlig utgang, spør jeg først på ledeteksten, ikke agenten.
- [ ] Jeg kan utføre seks diagnostiske spørsmål.
- [ ] Jeg deler komplekse oppgaver inn i flere spørsmål.
- [ ] Jeg legger merke til motstridende og tvetydige instruksjoner og retter dem.
- [ ] Jeg bekrefter det faktiske resultatet før jeg publiserer det.